[发明专利]基于元学习及知识记忆的目标检测模型构建方法及系统

权利要求书

1.一种基于元学习和知识记忆的目标检测模型构建方法，其特征在于，包括：

获取检测目标的训练集、检测目标的测试集以及外部开源数据集；

利用所述开源数据集对选取的目标检测模型进行训练得到预训练模型；所述预训练模型包含预训练骨干网络以及预测网络；

利用所述预训练模型统计所述开源数据集中每个类别的特征，并构建开源特征记忆库Bp；所述Bp包含每个类别的卷积层特征、池化层特征以及对应的类别标签形成的记忆单元；

利用所述检测目标的训练集微调所述预训练模型；微调过程中固定所述预训练骨干网络的浅层卷积层，降低所述预训练骨干网络中其余卷积层的学习率，重新训练所述目标检测网络中的预测网络；

利用调整后的所述预训练模型从所述检测目标的训练集中抽取每个类别的特征，并从所述开源特征记忆库Bp中筛选出与每个类别匹配的记忆单元，存入新的特征记忆库；

将所述开源特征记忆库加入所述目标检测模型后进行训练；在训练时所述目标检测模型通过计算当前特征与所述新的特征记忆库中的特征之间的相似度误差以及目标检测网络的预测误差，通过所述相似度误差和所述预测误差对所述目标检测模型进行动态更新；

利用所述检测目标的测试集测试更新后的所述目标检测模型。

2.根据权利要求1所述的方法，其特征在于，利用所述预训练模型统计所述开源数据集中每个类别的特征，包括：

从所述开源数据集中为每个类别随机抽取预设数量的图片，分别输入所述预训练模型并得到所述预训练骨干网络最后一个卷积层输出的特征；计算每个类别的平均卷积层特征，作为每个类别对应的卷积层特征；对平均卷积层特征每个通道的特征图取全局平均值得到每个类别的池化层特征。

3.根据权利要求2所述的方法，其特征在于，构建开源特征记忆库Bp，包括：

对所述卷积层特征和池化层特征进行归一化后与对应的类别标签构成记忆单元；

将每个类别的记忆单元组合后得到所述开源特征记忆库Bp。

4.根据权利要求1所述的方法，其特征在于，所述降低所述预训练骨干网络中其余卷积层的学习率，包括：

将所述其余卷积层的学习率降低至训练得到所述预训练模型时骨干网络中对应卷积层的学习率的预设比例。

5.根据权利要求4所述的方法，其特征在于，所述预设比例为二分之一。

6.根据权利要求1所述的方法，其特征在于，所述利用调整后的所述预训练模型从所述检测目标的训练集中抽取每个类别的特征，包括：

从所述检测目标的训练集中为每个类别随机抽取预设数量的样本，输入调整后的所述目标检测模型统计得到每个类别的卷积层特征以及池化层特征。

7.根据权利要求6所述的方法，其特征在于，从所述开源特征记忆库Bp中筛选出与每个类别匹配的记忆单元，包括：

采用EMD距离从所述Bp中遍历出与所述检测目标的训练集中的每个类别的各池化层特征匹配的记忆单元。

8.根据权利要求1所述的方法，其特征在于，所述将所述新的开源特征记忆库加入所述目标检测模型后进行训练；在训练时所述目标检测模型通过计算当前特征与所述新的特征记忆库中的特征之间的相似度误差以及目标检测网络的预测误差，通过所述相似度误差和所述预测误差对所述目标检测模型动态更新，包括：

在包含所述新的特征记忆库的目标检测模型的骨干网络的最后一个卷积层后加入全局池化层，通过所述骨干网络直接得到当前样本的卷积层特征和池化层特征；

对所述当前样本的卷积层特征和池化层特征归一化，利用MMD距离逐条计算当前池化层特征与所述新的特征记忆库中的记忆单元的池化层特征的相似度，得到与当前检测目标匹配的记忆单元；

利用MSE距离计算当前卷积层特征与匹配的记忆单元的卷积层特征的相似度误差，得到所述骨干网络的记忆库匹配损失函数Lmse；

将所述当前样本的卷积层特征继续输入至后续预测网络，计算预测误差，得到损失函数Lce；

训练所述目标检测网络，利用所述Lmse以及Lce更新所述目标检测模型。